摘 要：以在民用領(lǐng)域十分有應(yīng)用價(jià)值的汽車牌照作為目標(biāo)自動(dòng)識(shí)別(ATR)對(duì)象，提出2種分別基于色彩和字符特征的車牌識(shí)別算法，通過不同特征的選取，使用Matlab軟件作為研究工具，研究數(shù)字圖像的目標(biāo)識(shí)別方法，實(shí)現(xiàn)基于特征的快速定位和識(shí)別。兩種算法都簡(jiǎn)單易行，各有所長(zhǎng)，并有所優(yōu)化選擇。

關(guān)鍵詞：數(shù)字圖像;自動(dòng)目標(biāo)識(shí)別;牌照特征;識(shí)別算法

中圖分類號(hào)：TN911.7文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-373X(2008)22-108-04

Study on Automatic Target Recognition Algorithm of License Plate

ZHANG Ming

(96411Unit of PLA，Xi′an，721006，China)

Abstract：As a more prevalent visible scientific calculational software，Matlab has a powerful processing function in digital image.The thesis takes Matlab as an applied tool，and takes the license plate which has a very high applied value in civil field as Automatic Target Recognition(ATR) target to research the method of object recognize of digital image.Through different characters and arithmetic to achieve fast location and recognition based on character.

Keywords：digital image;automatic target recognition;license-plate character;recognition algorithm

1 引 言

在現(xiàn)代社會(huì)中，圖像自動(dòng)識(shí)別技術(shù)在軍事和民用的許多領(lǐng)域都得到了日益廣泛的應(yīng)用。車牌識(shí)別技術(shù)的研究是圖像識(shí)別技術(shù)中最常見的一種應(yīng)用，具有重要的現(xiàn)實(shí)意義和理論價(jià)值。

一個(gè)完整的車牌識(shí)別系統(tǒng)一般由圖像輸入、圖像處理（提取特征）和牌照定位識(shí)別3部分組成。本文只把重點(diǎn)放在后兩步，著力研究這兩部分的算法和實(shí)現(xiàn)過程。

車牌識(shí)別系統(tǒng)和其他的圖像識(shí)別過程一樣，關(guān)鍵在于特征的選擇和提取。

我國的車牌底色和字符顏色種類并不多，而且字符主要是英文字母、數(shù)字以及少量漢字組成，這就提供了2個(gè)非常明顯的特征：顏色和字符。

但由于車牌的不同，以及檢測(cè)時(shí)不同的光照條件，給車牌識(shí)別增加了難度，很難用一種算法就實(shí)現(xiàn)一個(gè)完善的系統(tǒng)。

在這里以常用的藍(lán)底白字車牌作為基本研究對(duì)象，分別利用顏色和字符這兩個(gè)特征，采用Matlab 7.0作為開發(fā)軟件，對(duì)車牌識(shí)別算法進(jìn)行研究，并對(duì)比其算法和識(shí)別效果。

2 基于顏色特征的車牌自動(dòng)識(shí)別算法

以藍(lán)底白字的車牌為目標(biāo)，用其顏色作為選取和要提取的特征，在輸入原始圖像后，對(duì)行和列方向的藍(lán)色像素點(diǎn)進(jìn)行統(tǒng)計(jì)，分別得到行和列方向上特征藍(lán)色像素的位置，然后用這兩個(gè)位置的坐標(biāo)值對(duì)原圖進(jìn)行截取，即可以得到車牌圖像。

2.1 車牌識(shí)別算法實(shí)現(xiàn)過程分析

實(shí)驗(yàn)采用圖片主要有3張，分別是car1.jpg，car2.jpg，car3.jpg，如圖1所示：

Matlab在處理JPG格式的真彩圖像時(shí)實(shí)際上是作為3個(gè)RGB矩陣處理，可以用一條簡(jiǎn)單的Matlab語句來分別定義3個(gè)矩陣：

I=imread(′car1.jpg′)；

［y，x，z］=size(I)；

myI=double(I)；

第一行是將圖像car1.jpg讀取到Matlab的變量I中；第二行是根據(jù)圖像I的大小(x和y分別代表I在行和列方向上的像素個(gè)數(shù)）以及RGB維度（z=1，2，3，分別代表R，G，B）設(shè)置三維矩陣大小；最后一行生成一個(gè)大小等于圖像I，元素值等于圖像I的相應(yīng)位置像素的RGB值（三個(gè)維度分別存儲(chǔ)R，G，B）的圖像矩陣。

之后，在RGB空間中根據(jù)廣義上的“藍(lán)色”范圍，對(duì)R，G和B分設(shè)置一個(gè)閾值范圍，在行和列方向上分別統(tǒng)計(jì)每個(gè)像素的RGB是否在這個(gè)閾值范圍內(nèi)。這個(gè)過程在Matlab中屬于一個(gè)常用的數(shù)組（矩陣）循環(huán)查詢的過程，對(duì)行和列只需要分別用一個(gè)二重循環(huán)（每列和每行分別一個(gè)循環(huán)），循環(huán)次數(shù)分別等于前面定義圖像矩陣時(shí)獲得的y和x的值。

這個(gè)過程的關(guān)鍵是閾值的選擇。根據(jù)RGB色彩空間理論，以8位格式存儲(chǔ)的RGB表示系統(tǒng)R，G和B分別有28個(gè)值，其組合出來的色彩則可以有224種。人憑肉眼不可能區(qū)分224種顏色，即使假設(shè)車牌的底色都是絕對(duì)相同的，由于光照、灰塵、水汽、環(huán)境對(duì)比等的干擾，在原始圖像獲得過程中也會(huì)造成圖像顏色與實(shí)際顏色存在差別，因此，這里要統(tǒng)計(jì)的“藍(lán)色”是一類相近色彩的總稱，這給閾值確定帶來了困難。閾值范圍太窄，可能遺漏一些視覺色彩；而閾值范圍太寬，也可能會(huì)增加一些實(shí)際不存在的視覺色彩，影響識(shí)別的效果，甚至造成錯(cuò)誤。本文根據(jù)參考文獻(xiàn)中的相關(guān)內(nèi)容，結(jié)合實(shí)踐驗(yàn)證后采用的閾值范圍是：100≤R≤200，40≤G≤200，B≥150。

當(dāng)完成這個(gè)步驟后，每行每列可以得到2個(gè)一元函數(shù)f(x)和g(y)；x和y對(duì)應(yīng)的行和列方向的值；f(x)和g(y)分別代表列和行方向藍(lán)色像素點(diǎn)的個(gè)數(shù)。如果f或g值大于閾值，則代表檢測(cè)到了車牌的顏色區(qū)域，反之，則表示還沒檢測(cè)到車牌的顏色區(qū)域。根據(jù)這個(gè)閾值，設(shè)計(jì)一個(gè)判斷循環(huán)，就可以分別在行和列方向得到2個(gè)坐標(biāo)刻度。

由于圖像和算法本身的不足等原因，得到的這4個(gè)坐標(biāo)刻度所圍成的區(qū)域并不一定完全和真實(shí)的車牌在圖像上的區(qū)域吻合，需要根據(jù)實(shí)驗(yàn)進(jìn)行人工修正。利用修正后的4個(gè)坐標(biāo)刻度去截取原圖，就可以得到車牌，完成整個(gè)基于顏色特征的車牌照識(shí)別過程。

2.2 車牌識(shí)別效果及其原因分析

采用色彩特征作為識(shí)別依據(jù)是簡(jiǎn)單直觀的，特別是在周圍色彩干擾比較小時(shí)可以非常正確地識(shí)別車牌，但是，如果周圍色彩干擾較大時(shí)，正確的識(shí)別比較困難。在對(duì)三張實(shí)驗(yàn)圖片的識(shí)別中，對(duì)car3.jpg就沒有識(shí)別到正確的車牌，卻把圖片中一個(gè)藍(lán)色路標(biāo)牌作為目標(biāo)。

為了分析識(shí)別效果，特別提取3張實(shí)驗(yàn)圖片在列和行方向的藍(lán)色像素點(diǎn)統(tǒng)計(jì)函數(shù)f(x)和g(y)，并繪制成曲線，分別見圖3中(a)~(c)。

從圖3(a)和圖3(b)中可見，因?yàn)閮蓤D圖像質(zhì)量較高，色彩的色度和對(duì)比度都非常高，而且圖形規(guī)則，因此在統(tǒng)計(jì)圖上上顯得統(tǒng)計(jì)曲線非常規(guī)整。而從圖3(c)發(fā)現(xiàn)，統(tǒng)計(jì)圖上在y方向的統(tǒng)計(jì)上時(shí)有2個(gè)閾值范圍內(nèi)像素集中區(qū)域，在進(jìn)行4個(gè)坐標(biāo)刻度截取時(shí)，首先是y方向產(chǎn)生了統(tǒng)計(jì)錯(cuò)誤，進(jìn)而影響到x方向的統(tǒng)計(jì)（程序設(shè)計(jì)規(guī)定，x方向的統(tǒng)計(jì)是在y方向統(tǒng)計(jì)的基礎(chǔ)上進(jìn)行）。

分析原因，這與程序設(shè)計(jì)上有一定關(guān)系：首先本程序采用的色彩RGB值，是筆者參照參考文獻(xiàn)中的先驗(yàn)值，再根據(jù)RGB色彩空間理論和實(shí)驗(yàn)驗(yàn)證得出的一個(gè)修正值，在客觀性和普遍性上有所欠缺；其次本程序?qū)δ繕?biāo)的尺寸識(shí)別、位移和旋轉(zhuǎn)等方面上有著很大缺陷，從而導(dǎo)致識(shí)別上的誤差乃至完全錯(cuò)誤；最后，算法中的循環(huán)統(tǒng)計(jì)還不太完善，導(dǎo)致循環(huán)統(tǒng)計(jì)錯(cuò)誤，而影響到定位。

3 基于字符特征的車牌自動(dòng)識(shí)別算法實(shí)現(xiàn)

按照良好特征的4個(gè)條件：可區(qū)別性、可靠性、獨(dú)立性和數(shù)量少來看字符，車牌字符完全符合以上4個(gè)條件。車牌字符一般都是整個(gè)圖像中最集中的區(qū)域，字符簡(jiǎn)單而且變化少，滿足可區(qū)別性和數(shù)量少的要求。另外車牌上的字符區(qū)域與其他圖像區(qū)域相比，大的色塊比較少，這樣邊緣比較突出，滿足獨(dú)立性和可靠性。

以字符為特征的識(shí)別系統(tǒng)流程相對(duì)色彩要復(fù)雜一些。首先要對(duì)輸入圖像進(jìn)行預(yù)處理，其次對(duì)圖像進(jìn)行二值化，再次要削弱圖像中背景和噪聲的干擾，就可以得到一個(gè)非常簡(jiǎn)單的二值圖像，其中的1值點(diǎn)大部分是目標(biāo)點(diǎn)，最后只需要用類似于藍(lán)色像素統(tǒng)計(jì)的辦法統(tǒng)計(jì)出1值點(diǎn)，再進(jìn)行1次閾值判斷就可以得到車牌的位置坐標(biāo)，從而完成識(shí)別。

3.1 車牌識(shí)別算法實(shí)現(xiàn)過程分析

以上節(jié)中識(shí)別不成功的car3為例。首先對(duì)圖象進(jìn)行預(yù)處理，將24位真彩圖轉(zhuǎn)化成256級(jí)灰度圖。這樣不僅便于后續(xù)的圖像快速處理，提高計(jì)算運(yùn)行速度，而且對(duì)多顏色圖像進(jìn)行了統(tǒng)一，避免了顏色造成的干擾。按照現(xiàn)行標(biāo)準(zhǔn)的平均值法，灰度轉(zhuǎn)化的原理是：g=0.3R+0.59G+0.11B在Matlab中可以使用前面提到過的圖像的格式轉(zhuǎn)化函數(shù)將RGB真彩圖像轉(zhuǎn)化成灰度圖像。如下所示：

I=imread(′car3.jpg′);

I2=rgb2gray(I);

將圖像二值化后，圖像上只有0值和1值點(diǎn)。0值多半為背景，1值中包含要尋找的字符特征，也有部分景物干擾。二值化過程有效突出了圖像中的邊緣部分，排除大部分背景干擾，達(dá)到突出目標(biāo)的目的，同時(shí)也大大降低了后續(xù)處理的工作量。

Matlab為二值化過程提供了一個(gè)簡(jiǎn)便的函數(shù)BW=im2bw(I，level)，level是歸一化的閾值，取值在［0，1］之間，其取值直接關(guān)系到二值化的效果。圖像中灰度大于等于level/256（灰度/256）的像素在二值化后置為1，反之，像素在二值化后被置為0。這樣，如何選取閾值level成了這一步的關(guān)鍵。

實(shí)踐證明，合理選擇閾值能夠有效地將背景基本置為0。Matlab提供了一個(gè)有效閾值計(jì)算函數(shù)graythresh，這個(gè)函數(shù)是根據(jù)Otsu方法，生成1個(gè)閾值，這個(gè)閾值將使圖像二值化后區(qū)域內(nèi)部的元素差異最小。

在參考文獻(xiàn)［1］中，也提供了一個(gè)計(jì)算閾值的經(jīng)驗(yàn)公式：T＝Gmax-(Gmax-Gmin)/3，T是閾值，Gmax 和Gmin分別是圖像中的最高、最低灰度值。本文選用這個(gè)經(jīng)驗(yàn)公式作為產(chǎn)生閾值的方法。

然后，再對(duì)圖像進(jìn)行削弱背景和噪聲干擾處理。首先對(duì)二值圖像進(jìn)行邊緣檢測(cè)，進(jìn)一步去除背景的干擾，然后針對(duì)噪聲干擾多為獨(dú)立點(diǎn)，而字符特征多為短豎線這一特點(diǎn)進(jìn)行中值濾波，過濾掉噪聲。

在進(jìn)行邊緣檢測(cè)時(shí)，常用的幾種邊緣檢測(cè)算子是：Robert算子、Sobel算子、Prewitt算子、LOG算子和Canny算子，其具體內(nèi)容可參考相關(guān)文獻(xiàn)。

經(jīng)過實(shí)驗(yàn)比對(duì)，Canny算子最滿足本文去除背景的要求，因此在程序中選用的是Canny算子。

Canny算子是根據(jù)著名的Canny三原則（信噪比原則、定位精度原則、單邊緣響應(yīng)原則）結(jié)合獲得的信噪比與定位乘積之最優(yōu)逼近算子，使用一階導(dǎo)數(shù)的極大值表示邊緣。其基本思想是先將圖像使用Gauss函數(shù)進(jìn)行平滑，再根據(jù)一階微分的極大值確定邊緣點(diǎn)。Canny算子使用2個(gè)閾值來分別檢測(cè)強(qiáng)邊緣和弱邊緣，當(dāng)且僅當(dāng)弱邊緣與強(qiáng)邊緣相連時(shí)，弱邊緣才會(huì)出現(xiàn)在輸出中，因此受噪聲干擾較小，能檢測(cè)到真正的弱邊緣。邊緣檢測(cè)后需要進(jìn)一步去除噪聲。因?yàn)樽址嗍且恍┒特Q線和短橫線，而背景噪聲很大部分是孤立噪聲，因此，使用中值濾波函數(shù)medfilt 2就可以濾除主要噪聲了。根據(jù)前面的分析，這里中值濾波采用的模板窗口是一個(gè)9行1列的豎線濾波窗口（medfilt 2函數(shù)參數(shù)為［9 1］），這樣將過濾掉圖像中非短豎線的部分，從而去掉噪聲。

經(jīng)過前面幾步后，基本就可以獲得一個(gè)比較“純凈”的二值圖像，在這個(gè)圖像上的字符特征區(qū)域有比較密集的“1”值點(diǎn)，還散布有少量殘余背景和噪聲也表現(xiàn)為“1”值點(diǎn)。接下來采用統(tǒng)計(jì)的方法對(duì)“1”值點(diǎn)分別在行和列方向進(jìn)行統(tǒng)計(jì)，步驟幾乎與采用色彩特征進(jìn)行識(shí)別的統(tǒng)計(jì)過程一致，區(qū)別只在于色彩特征要求統(tǒng)計(jì)閾值的是256級(jí)的RGB范圍，而這里只需判斷是否為“1”。

確定車牌位置也于前面的色彩特征識(shí)別時(shí)確定位置的過程一樣，也是用1個(gè)閾值來判斷是否“遇到”了特征字符區(qū)域，然后確定4個(gè)坐標(biāo)刻度，然后根據(jù)實(shí)驗(yàn)情況對(duì)這4個(gè)刻度進(jìn)行修正，最后準(zhǔn)確地對(duì)車牌實(shí)現(xiàn)定位。

3.2 車牌識(shí)別效果及其原因分析

通過實(shí)驗(yàn)發(fā)現(xiàn)，基于字符特征的車牌自動(dòng)識(shí)別技術(shù)對(duì)于car1.jpg和car3.jpg都具有良好的識(shí)別效果，但對(duì)于car2，jpg的識(shí)別卻發(fā)生錯(cuò)誤，識(shí)別對(duì)象變成了右后視鏡。

分析錯(cuò)誤的原因發(fā)現(xiàn)，當(dāng)car2.jpg轉(zhuǎn)為灰度圖時(shí)就已經(jīng)出現(xiàn)錯(cuò)誤的隱患了，車牌部分已經(jīng)幾乎和周圍的背景完全混在一起，如圖4所示。再轉(zhuǎn)換為二值圖像，車牌部分完全成了黑色，也就是沒有任何“1”值點(diǎn)，字符特征已經(jīng)完全被附近的背景所掩蓋，導(dǎo)致錯(cuò)誤發(fā)生，如圖5所示。

分析car2和car1以及car3的區(qū)別，可以發(fā)現(xiàn)car2圖像中，字符區(qū)域字符的特征不明顯，而且字符的顏色和周圍背景的顏色很接近；另外車牌區(qū)域和周圍區(qū)域的顏色對(duì)比度很大，導(dǎo)致在轉(zhuǎn)換為灰度圖像時(shí)，車牌區(qū)域相對(duì)周圍區(qū)域灰度級(jí)太低，在二值化時(shí)被判決為“0”區(qū)域，即被判決為背景，導(dǎo)致識(shí)別失敗。這個(gè)問題在本算法中無法避免，在實(shí)際運(yùn)用中必須運(yùn)用其他識(shí)別方法輔助進(jìn)行來解決。

4 結(jié) 語

利用Matlab作為工具，結(jié)合汽車牌照識(shí)別，本文對(duì)數(shù)字圖像中的目標(biāo)識(shí)別技術(shù)進(jìn)行一定的研究。在前人的工作基礎(chǔ)上，提出2種分別基于色彩和字符特征的車牌識(shí)別算法。兩種算法都簡(jiǎn)單易行，各有所長(zhǎng)，并有所優(yōu)化選擇。由于客觀條件及時(shí)間的限制，這兩個(gè)車牌自動(dòng)識(shí)別算法尚不成熟，在以下幾個(gè)方面還有一些問題需要解決：

(1) 解決原始圖像來源不同導(dǎo)致的圖像質(zhì)量差異問題，或者從算法上抑制這些差異造成的影響；

(2) 改進(jìn)算法，解決相近色彩干擾問題，解決循環(huán)統(tǒng)計(jì)計(jì)數(shù)問題；

(3) 進(jìn)一步提高算法的普遍性，給算法增加一些可選分支，使得算法能適應(yīng)多種識(shí)別需求。

這些問題還需要在后續(xù)研究中進(jìn)一步提高和完善。

參考文獻(xiàn)

［1］何斌，馬天予.數(shù)字圖像處理［M］.2版.人民郵電出版社，2003.

［2］王耀南，李樹濤，毛建.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)［M］.北京:高等教育出版社，2001.

［3］廖佩朝.自動(dòng)目標(biāo)識(shí)別器的發(fā)展現(xiàn)狀及應(yīng)用分析［J］.紅外與激光技術(shù)，1992(2):1-2.

［4］李弼程，彭天強(qiáng)，彭波，等.智能圖像處理技術(shù)［M］.北京:電子工業(yè)出版社，2004.

［5］聞新，周露，張鴻.Matlab科學(xué)圖形構(gòu)建基礎(chǔ)與應(yīng)用［M］.北京:科學(xué)出版社，2002.

［6］容觀澳.計(jì)算機(jī)圖像處理［M］.北京:清華大學(xué)出版社，2000.

［7］趙雪春，戚飛虎.基于彩色分割的車牌自動(dòng)識(shí)別技術(shù)［J］.上海交通大學(xué)學(xué)報(bào)，1998，32(10):4-9.

［8］張煒，王慶，趙榮椿.汽車牌照的實(shí)時(shí)分割算法［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2001，19(1):35-37.

［9］清源計(jì)算機(jī)工作室.Matlab 6.0高級(jí)應(yīng)用——圖形圖像處理［M］.北京:機(jī)械工業(yè)出版社，2001.

［10］郭亞，王水波.基于灰度圖像的車牌定位算法研究與實(shí)現(xiàn).現(xiàn)代電子技術(shù)，2008，31（2）:137-139.

［11］ 陳軒飛，陳志剛.車牌字符的預(yù)處理研究.現(xiàn)代電子技術(shù)，2005，28（2）:63-65.